VIRTUAL Anjlok 12% – Tapi KELOMPOK pembeli INI bisa mengubah segalanya

ambcryptoDipublikasikan tanggal 2026-03-01Terakhir diperbarui pada 2026-03-01

Abstrak

Token VIRTUAL mengalami penurunan 12% dalam 24 jam, melanjutkan kerugian mingguan menjadi 11%. Penurunan ini disertai arus keluar modal derivatif senilai $9,4 juta dan tingkat pendanaan negatif terdalam tahun ini di pasar futures, menunjukkan posisi short yang agresif. Namun, investor spot justru mengakumulasi aset senilai $245.000 selama penurunan harga, menandakan kepercayaan pada prospek jangka menengah. Meski demikian, metrik on-chain menunjukkan penurunan aktivitas pengguna dan pendapatan protokol, yang dapat membebani performa harga jangka panjang. Pertarungan antara tekanan short dan akumulasi spot akan menentukan pergerakan harga selanjutnya.

VIRTUAL memasuki akhir pekan di bawah tekanan seiring pasar crypto yang lebih luas melemah. Token tersebut turun 12% dalam 24 jam, memperpanjang kerugian mingguan menjadi 11%.

Konfigurasi ini menunjukkan ruang terbatas untuk pemulihan segera. Posisi jangka pendek mengintensifkan seiring sentimen yang melemah di seluruh pasar. Pergeseran itu menjaga risiko penurunan tetap tinggi.

Penarikan modal mengintensifkan

Penurunan harga terbaru ini bertepatan dengan penurunan arus masuk modal dan peningkatan dominasi posisi short, karena kondisi di pasar futures perpetual bergeser secara tajam.

Pada saat penulisan, pasar perpetual Virtuals Protocol [VIRTUAL] mencatat keluarnya modal yang substansial totalnya $9,4 juta, mengurangi total open interest menjadi sekitar $76 juta.

Yang penting, likuidasi paksa tetap terbatas. Likuidasi totalnya sekitar $431.000, artinya sebagian besar trader menutup posisi secara sukarela.

Perbedaan ini sangat kritis.

Data dari OI-Weighted Funding Rate turun ke -0,0411% pada tanggal 28 Februari. Itu menandai pembacaan terendah tahun ini.

Tingkat Funding yang sangat negatif seperti itu menunjukkan posisi short yang agresif. Konsentrasi short yang sebanding terakhir muncul pada Oktober 2025, tepat sebelum penurunan tajam.

Sejarah itu menjaga sentimen tetap rapuh.

Belum ada kepanikan di antara investor spot

Meskipun trader Derivatif condong bearish, investor spot tampaknya relatif tenang. Alih-alih keluar, mereka memperlakukan penurunan ini sebagai peluang akumulasi potensial.

Pada saat laporan ini dibuat, pembeli Spot telah mengakumulasi sekitar $245.000 senilai VIRTUAL sementara harga sedang turun, menunjukkan kepercayaan pada prospek aset tersebut dalam jangka menengah.

Ini menandai fase akumulasi yang patut diperhatikan pertama sejak tanggal 24 Februari, membuat pergeseran perilaku spot ini sangat penting untuk dicatat.

Jika pola pembelian ini berlanjut hingga minggu baru, ini dapat meredam tekanan penurunan lebih lanjut dan mendukung rebound dari penarikan baru-baru ini.

Aktivitas on-chain melemah

Namun, metrik on-chain memberikan gambaran yang lebih hati-hati. VIRTUAL telah mencatat penurunan simultan dalam aktivitas pengguna dan pendapatan protokol.

Menurut data dari Artemis, jumlah pengguna telah turun menjadi sekitar 24.000, sementara pendapatan telah turun menjadi sekitar $32.000. Ini merupakan penurunan tajam dari $133.000 yang tercatat pada tanggal 14 Februari.

Melemahnya aktivitas ini menggarisbawahi kekhawatiran struktural.

Berkurangnya keterlibatan pengguna dan pendapatan yang jatuh menunjukkan permintaan on-chain yang lebih lembut, yang dapat membebani kinerja harga VIRTUAL jangka panjang jika tren ini berlanjut.

Dalam jangka pendek, tarik ulur antara posisi short yang agresif dan akumulasi spot yang baru kemungkinan akan menentukan langkah besar berikutnya aset ini.


Ringkasan Akhir

  • VIRTUAL turun 12% dalam 24 jam, memperpanjang kerugian mingguan menjadi 11%.
  • Open Interest turun $9,4 juta, menandakan keluarnya modal dari pasar derivatif.

Pertanyaan Terkait

QBerapa persen penurunan harga VIRTUAL dalam 24 jam dan berapa total kerugian mingguannya?

AVIRTUAL mengalami penurunan harga sebesar 12% dalam 24 jam, yang memperpanjang kerugian mingguannya menjadi 11%.

QApa yang ditunjukkan oleh Data OI-Weighted Funding Rate yang turun ke -0.0411%?

ATingkat Pendanaan Tertimbang OI yang turun ke -0.0411% menunjukkan posisi short yang agresif, menandakan sentimen bearish di kalangan trader derivatif.

QBagaimana perilaku investor spot terhadap penurunan harga VIRTUAL?

ABerbeda dengan trader derivatif, investor spot justru mengakumulasi token. Mereka membeli VIRTUAL senilai sekitar $245.000 saat harga turun, menunjukkan kepercayaan pada prospek jangka menengah aset tersebut.

QApa yang terjadi pada metrik on-chain seperti jumlah pengguna dan pendapatan protokol VIRTUAL?

AMetrik on-chain melemah. Jumlah pengguna turun menjadi sekitar 24.000 dan pendapatan protokol anjlok menjadi sekitar $32.000, jauh dari $133.000 yang tercatat pada 14 Februari.

QApa yang kemungkinan akan menentukan pergerakan harga VIRTUAL selanjutnya menurut artikel?

APergerakan harga selanjutnya kemungkinan besar akan ditentukan oleh tarik ulur antara posisi short yang agresif di pasar derivatif dan akumulasi spot yang baru dimulai oleh investor.

Bacaan Terkait

Rubin Ultra Terkuras Drastis, Apakah Nvidia Juga Tak Tahan dengan Kenaikan Harga Memori?

Laporan terbaru dari SemiAnalysis mengungkapkan bahwa NVIDIA telah merevisi spesifikasi Rubin Ultra, varian flagship dari arsitektur Rubin yang diumumkan di GTC 2026. Alih-alih peningkatan besar pada memori dan daya komputasi, fokus utama kini beralih ke kemampuan interkoneksi skala sistem. Spesifikasi kunci yang diungkapkan menunjukkan Rubin Ultra akan mempertahankan puncak komputasi teoretis yang sama dengan Rubin standar, yaitu 35 PFLOPs. Namun, terjadi pengurangan signifikan pada kapasitas memori, turun menjadi 192GB dengan konfigurasi 8-Hi, lebih rendah dari Rubin standar yang 288GB (12-Hi). Peningkatan bandwidth memori juga minimal, hanya 1 TB/s, dan daya chip bahkan sedikit lebih tinggi. Peningkatan utama justru pada "skala interkoneksi" (*scale-up world size*), yang melonjak dari 72 GPU menjadi 576 GPU. Ini memungkinkan ratusan GPU Rubin Ultra terhubung via NVLink membentuk satu "super GPU" logis yang sangat besar. Analisis SemiAnalysis mengaitkan perubahan desain ini dengan lonjakan harga HBM (High Bandwidth Memory) yang drastis. Biaya material (BOM) untuk rak server Rubin Ultra sempat melonjak menjadi sekitar $8 juta karena harga HBM, tetapi dengan spesifikasi baru, biaya turun ke sekitar $6.4 juta. NVIDIA diduga mengalihkan biaya dari komponen HBM yang mahal (yang pangsa biayanya turun dari ~40% menjadi 28%) ke peningkatan interkoneksi jaringan (naik dari 4% menjadi 12%). Berita ini memicu kekhawatiran pasar tentang permintaan HBM. Saham produsen HBM seperti SK Hynix dan Samsung anjlok sekitar 8%, mencerminkan kekhawatiran bahwa pembeli utama seperti NVIDIA mungkin mulai mengurangi ketergantungan pada HBM berkapasitas tinggi untuk mengontrol biaya sistem AI secara keseluruhan.

Odaily星球日报5m yang lalu

Rubin Ultra Terkuras Drastis, Apakah Nvidia Juga Tak Tahan dengan Kenaikan Harga Memori?

Odaily星球日报5m yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

marsbit59m yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

marsbit59m yang lalu

Trading

Spot
活动图片